增强语音克隆的情感控制——EmoKnob

虽然近期语音合成技术的进步产生了自然且富有表现力的语音，但缺乏用户选择情感并控制强度的选项。我们提出 EmoKnob，一个允许在少量示例样本的基础上实现情感细粒度控制的语音合成框架。该框架利用近期基础语音克隆模型所可能实现的表达性说话人表示空间。基于我们情感控制框架的零样本能力，我们提出两种方法用于对由开放式文本描述的情感应用情感控制，实现对多样化细腻情感的直观界面。为促进情感语音合成领域的系统化发展，我们引入一套评估指标体系，旨在严格评估情感控制框架的忠实度和可识别性。通过客观与主观评估，我们表明我们的情感控制框架有效地将情感嵌入语音中，并优于商业语音合成服务的情感表达能力。